HoPla - Hochleistungssensorik für smarte Pflanzenschutzbehandlung
Projektlaufzeit:
01.09.22 bis 31.08.25
Projektbeschreibung:
Um die Versorgung einer wachsenden Weltbevölkerung mit Nahrungsmitteln zu gewährleisten, müssen diese immer effizienter produziert werden. Dabei muss eine höhere Belastung der Umwelt vermieden werden. Unter anderem muss der Einsatz von Pflanzenschutzmitteln auf das unbedingt notwendige Maß reduziert werden. Herbizide werden z.B. derzeit flächendeckend ausgebracht, obwohl die gezielte Behandlung unerwünschter Pflanzen den Einsatz um bis zu 70 Prozent reduzieren könnte, ohne die Erträge zu mindern.Ziele und Vorgehen
Um Herbizide gezielter und in geringeren Mengen einsetzen zu können, müssen Nutzpflanzen und unerwünschte Pflanzen während des Ausbringens voneinander unterschieden werden.
Dies soll das Projekt HOPLA durch den Einsatz schneller Kamerasensoren in Verbindung mit neuronalen Netzwerken ermöglichen. Während der Befahrung der Ackerfläche mit einer Feldspritze sollen Nutzpflanzen sowie unerwünschte Pflanzen sicher erkannt werden. Die Daten werden in Echtzeit für die Steuerung der Feldspritze zur Verfügung gestellt. Auf diese Weise soll die gezielte Behandlung von unerwünschten Pflanzen möglich und die ausgebrachte Herbizidmenge deutlich reduziert werden.
Wenn die Arbeiten erfolgreich abgeschlossen werden, soll das kamerabasierte Erkennungssystem in eine Feldspritze integriert und in Feldversuchen evaluiert werden. Im Erfolgsfall steht am Ende der Entwicklung ein neuartiges landwirtschaftliches Gerät zur Verfügung, das eine bedarfsorientierte Behandlung von nicht erwünschten Pflanzen mit Herbiziden erlaubt. Die Umweltbelastungen durch das Ausbringen solcher Substanzen könnten damit drastisch reduziert werden.
Quelle: https://www.photonikforschung.de/projekte/sensorik-und-analytik/projekt/hopla.html (21.11.2022)
Projektkonsortium:
- Robert Bosch GmbH, Stuttgart (Koordination)
- Universität Hohenheim, Institut für Agrartechnik, Stuttgart
- BASF Digital Farming GmbH, Köln
- AMAZONEN-WERKE H. Dreyer SE & Co. KG (aktiv assoziiert)
Beteiligte Wissenschaflter:innen am Fachgebiet:
- Ahmet Saltik, M.Sc.
- Sourav Modak, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Projektleitung vor Ort:
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen vor Ort:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
Fördermittelgeber:
- Bundesministerium für Bildung und Forschung (BMBF)
- Projektträger VDI-Technologiezentrum
- FKZ: 13N16327
Mehr Informationen auf der Projektwebsite:
https://www.photonikforschung.de/projekte/sensorik-und-analytik/projekt/hopla.html
NOcsPS - Landwirtschaft 4.0 ohne chemisch-synthetischen Pflanzenschutz / VP25 KI-basierte Hyperspektraldatenanalyse für ein effizientes Pflanzenpathogenmonitoring
Projektlaufzeit:
01.04.2022 bis 30.11.2023
Projektbeschreibung:
Ein ausreichendes und qualitativ hochwertiges Lebensmittel- und Biomasseangebot, das noch stärker umwelt- und naturschonend produziert wird, ist ein starkes gesellschaftspolitisches Anliegen. Der Einsatz chemisch-synthetischer Pflanzenschutzmittel (csPSM) steht durch Rückstände in Nahrungsmitteln und Natur sowie durch Gefährdung der Biodiversität zunehmend in der Kritik.
Damit kann sich eine Landwirtschaft 4.0 etablieren, die unter Einsatz modernster vernetzter Technologien biologischen Prinzipien folgt, bei einem Verzicht auf csPSM. Gleichzeitig wird der Einsatz mineralischer Dünger ermöglicht, um die Bodenfruchtbarkeit zur Erzeugung der erforderlichen Menge an Biomasseerträgen zu gewährleisten.
Dieser Ansatz stellt eine komplette Neuorientierung im Ackerbau dar und bedingt eine sorgfältige Begleitforschung aus allen Blickwinkeln und auf allen Skalenebenen.
Ziel des Forschungsverbunds der Universität Hohenheim (UHOH) und Georg-August-Universität Göttingen (UGOE) sowie des Julius Kühn-Instituts (JKI) ist die Entwicklung und Analyse sowie Beschreibung von NOcsPS-Anbausystemen im Vergleich zu anderen Anbausystemen. Dieser Vergleich erfolgt in System-, Exakt- und on-farm Versuchen auf Parzellen-, Feld-, Betriebs- und Landschaftsebene sowie aus ökologischer, ökonomischer und sozialer Perspektive.
Unser Teil in diesem Projekt:
KI-Basierte Hyperspektraldatenanalyse für eine automatisierte und effiziente Pflanzenpathogenerkennung
Ein grundlegender Wandel in der der Ausbringung von chemisch-synthetischem Pflanzenschutz muss mit einer Steigerung des Automatisierungs- und Zuverlässigkeitsgrades im Schaderregermonitoring einhergehen. Die Anwendung von Alternativen zu chemisch-synthetischem Pflanzenschutz erfordert ein detaillierteres Wissen über den vorherrschenden pathogeninduzierten Stress im Feld sowie über die möglichst präzise örtliche Eingrenzung des Auftritts. Ein zeitlich und örtlich hoch aufgelöstes Monitoring dieser Informationen, kann mittels Feldbeflug durch UAVs (unmanned aerial vehicles, oft auch „Drohnen“) in Kombination mit KI-basierter Datenanalyse ermöglicht werden.
Es wird auf Basis neuartiger systematischer Entwicklungs- und Operationalisierungsprinzipien für datenzentrierte KI- bzw. Machine Learning Anwendungen (MLOps) eine Analyse-Pipeline für den Zweck der automatisierten Pathogendetektion auf Basis von Hyperspektraldaten entwickelt. Zunächst erfolgt die eingehende manuelle Analyse der vorhandenen Datenbasis sowie des zugrundeliegenden Pathogen-Monitoring Prozesses (AP 1: Process & Data Understanding). Anschließend werden notwendige Datenvorverarbeitungsschritte und Verfahren zur Data Augmentation entsprechend der ermittelten Charakteristika der vorhandenen und weiter zu erhebenden Hyperspektraldaten eruiert sowie und die technische (d.h. programmatische) Entwicklung der KI-Pipeline initiiert (AP 2: Data Engineering). Es folgen die fundierte und systematische Selektion und Konfiguration geeigneter Deep Learning-Modelle aus dem Stand der Technik des maschinellen Sehens, welche in einem iterativen Modellentwicklungs- und -Validierungsprozess durchgeführt werden (AP 3: Model Engineering). Den umspannenden Teil des skizzierten Arbeitsprogramms bildet die iterative technische Implementierung der KI-Pipeline, welche sowohl ein fortlaufendes systematisches Datenmanagement, als auch in Konsequenz eine kontinuierliche Modelladaption an neu verfügbar werdende Daten sicherstellt (AP 4: MLOps).
Am Ende des Projekts soll eine robuste und automatisierte Pathogendetektionspipeline existieren, welche sich an variierende Einsatzbedingungen dateneffizient anpassen lässt und künftig entstehende Kosten für die essentielle Aufgabe des Pathogenmonitoring im integrierten Pflanzenschutz durch den Einsatz von KI reduzieren kann.
Projektkonsortium:
Beteiligte Wissenschaflter:innen am Fachgebiet:
- Georg Feyrer, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Projektleitung des Teilprojekts:
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen am Teilprojekt:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
Fördermittelgeber:
- Bundesministerium für Bildung und Forschung (BMBF)
Mehr Informationen auf der Projektwebsite:
https://nocsps.uni-hohenheim.de/startseite
AIDAHO - AI & Data Science Certificate Hohenheim
Projektlaufzeit:
01.12.21 bis 30.11.25
Website:
Projektbeschreibung:
Die stetig zunehmende Relevanz von Künstlicher Intelligenz (KI) fördert einen immer größer werdenden Bedarf an qualifizierten Fachkräften. Um diesem Bedarf nachzukommen, entschied sich der Bund für die Strategie, gezielt die Ausbildung von Studierenden hinsichtlich ihrer Qualifizierung im Bereich Künstlicher Intelligenz zu fördern. Das Bund-Länder-Programm “Künstliche Intelligenz in der Hochschulbildung” ist eine Initiative die die breitflächige Implementierung von KI als Studieninhalt fördern soll.
Im Rahmen dieser Initiative wird an der Universität Hohenheim das Projekt AI & Data Science Certificate Hohenheim (AIDAHO) gefördert. Ziel dieses Projektes ist ein fächerübergreifendes Lehrangebot zur Vermittlung von Grundlagenwissen in den Bereichen KI, Data Science und Scientific Computing. Die konkrete Umsetzung wird ab dem kommenden Wintersemester 2022/23 im Rahmen eines extracurricularem Qualifizierungsprogrammes realisiert. Es soll etwa 30 ECTS umfassen und wird nach erfolgreicher Teilnahme mit einem Zertifikat bescheinigt. Insbesondere sollen Studierende im fortgeschrittenen Bachelor- bzw. Masterstudium angesprochen werden. Die langfristige Vision dieses Projektes ist die Entstehung eines eigenständigen Studienganges, aufbauend auf den Lehrinhalten des Qualifizierungsprogrammes. Das Projekt knüpft somit an das Grundkonzept des Computational Science Labs (CSL) an, welches 2018 mit der Intention der fakultätsübergreifenden Vernetzungsmöglichkeit rund um das Thema “Digitale Transformation” gegründet wurde. Die Interdisziplinarität des Projekts spiegelt sich dabei besonders in den verschiedenen Projektpartnern wider. Aus dem CSL sind neben unserem Fachgebiet für “Künstliche Intelligenz in der Agrartechnik” auch die Fachgebiete für “Ökonometrie und Wirtschaftsstatistik”, “Lebensmittelinformatik” und “Kommunikationswissenschaft” beteiligt.
Das Fachgebiet für “Künstliche Intelligenz in der Agrartechnik” übernimmt die Teilprojektleitung für den Kernbereich der Künstlichen Intelligenz, insbesondere des Machine Learning. Zu Beginn soll der Fokus auf der Vermittlung von fundamentalem Grundlagenwissen in den Themenbereichen des maschinellen Lernens, sowie in der erklärbaren KI liegen. Aufbauend auf diesen Grundlagen, wird der Fokus anschließend auf die Spezialisierung in verschiedene Teilbereiche, wie bspw. Deep Learning in agrarwissenschaftlichen Fragestellungen, und somit auf die praktische Anwendung des gelernten KI-Wissens gelegt.
Beteiligte Wissenschaflter am Fachgebiet:
- Nils Kaul, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen vor Ort:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
- Fg. 520k Ökonometrie und Wirtschaftsstatistik
- Fg. 150l Lebensmittelinformatik
- Fg. 540a Kommunikationswissenschaft, insbesondere Medien- und Nutzungsforschung
- Computational Science Lab (CSL)
Fördermittelgeber:
- Bundesministerium für Bildung und Forschung (BMBF)
KINERA - Künstliche Intelligenz für eine effiziente und resiliente Agrartechnik
Projektlaufzeit:
19.04.21 bis 18.04.24
Projektbeschreibung:
Durch den gezielten Einsatz von Methoden der künstlichen Intelligenz sollen die Effizienz und Resilienz verfahrenstechnischer Prozesse der Agrartechnik gesteigert werden. Im Speziellen wird der Prozess der Bestandesetablierung als Realversuch konventionell mit einer Schlepper-Geräte-Kombination und autonom mit einem Roboter betrachtet. Das Ziel ist durch Einstellungsunterstützung oder Selbstadaption eine erleichterte Bedienbarkeit zu erreichen und somit gezielt die Performance Gap der Maschine zu verringern. Hierbei soll die Maschine auch auf Informationen durch die Kommunikation mit anderen Maschinen und der Cloud zurückgreifen. In dem Kontext der Maschinenkommunikation wird das Potential der Schwarmrobotik simulativ eruiert. Die Zuverlässigkeit des Systems wird durch eine dreischichtige, fehlertolerante Informations- und Systemarchitektur mit Einbindung eines Hofservers gewährleistet.
Die Auslastung einer Aussaatkombination wird gesteigert während gleichzeitig der Maschinenführer durch eine erleichterte Bedienbarkeit entlastet wird. Dies wird messbar durch die Entwicklung eines Prototyps mittels Retrofitting einer herkömmlichen Bestellkombination und Einbetten der Maschine in eine entwickelte Systemarchitektur. Die dreischichtige Systemarchitektur wird durch die Einbindung eines Hofservers auf der Betriebsebene resilient gegenüber externen Störeinflüssen wie zum Beispiel Netzausfall und die Einbindung der Cloud-Ebene adressiert Möglichkeiten der Prozessoptimierungen auf dem taktischen Planungshorizont sowie die Integration zusätzlicher Informationsquellen. Die simulative Eruierung der Schwarmrobotik wird mögliche Potentiale skalierbarer Roboter im Agrarkontext zeigen.
Das Fachgebiet Künstliche Intelligenz in der Agrartechnik entwickelt die benötigten KI-Methoden in dem Projekt. Hierfür werden sowohl Methoden für die Observierung der Umgebung aus Sensordaten als auch Methoden für das automatisierte Anpassen der Maschinenkonfigurationen entwickelt. Außerdem werden simulativ KI-Methoden speziell für den Robotereinsatz ausgearbeitet und das Potential der Schwarmrobotik eruiert.
Beteiligte Wissenschaflter vor Ort:
- Jonas Boysen, M.Sc.
- Georg Feyrer, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen vor Ort:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
- Fg. 440d Verfahrenstechnik in der Pflanzenproduktion
- Lehrstuhl Wirtschaftsinformatik 2
Konsortium des Forschungsverbundes:
- Exatrek, EXA Computing GmbH
- Smart Site Solutions GmbH
- CLAAS Vertriebsgesellschaft mbH
- Horsch Maschinen GmbH
- VDMA Landtechnik
Fördermittelgeber:
- Bundesministerium für Ernährung und Landwirtschaft (BMEL)
- Bundesanstalt für Landwirtschaft und Ernährung (BLE)
MIKIL - Multiskalige Integration moderner KI-Technologie in dezentralen Landwirtschaftssystemen (NaLamKI-Teilprojekt der UHOH)
Projektlaufzeit:
01.01.2021 bis 31.12.2023
Projektbeschreibung:
Im Verbundvorhaben NaLamKI werden Sensor- und Maschinendaten aus Fernerkundung, Bodensensorik, Robotik, manueller Datenerhebung und Bestandsdaten aggregiert, um landwirtschaftliche Prozesse wie Bewässerung, Düngung und Schädlingsbekämpfung durch moderne KI-Methoden und (teil-)autonome Fahrzeug- und Agentenverbünde nachhaltiger, effizienter und transparenter zu optimieren. NaLamKI schafft dabei die Möglichkeit einer hochdimensionalen Auswertung und Fusion aller aggregierten Daten. GAIA-X konforme Dienste werden dezentral und interoperabel unter Wahrung der Datensouveränität der Akteure zur Verfügung gestellt.
Für die Universität Hohenheim steht dabei im Teilvorhaben MIKIL die Integration moderner Verfahren der KI auf sämtlichen Ebenen des NaLamKI-Systems im Vordergrund. Dies umfasst neben einer, auf Basis ermittelter domänenspezifischer Anforderungen, kollaborativen Entwicklung einer übergeordneten komplexen Systemarchitektur für ein GAIA-X konformes, verteiltes Landwirtschaftssystem, insbesondere die KI-basierte Aufbereitung, Fusion und Analyse der im Projekt auf unterschiedlichen Ebenen erhobenen und verfügbaren Daten, als auch den föderierten Wissensaustausch zwischen kooperierenden Maschinen und Teilsystemen.
Beteiligte Wissenschaflter vor Ort:
- Jonathan Heil, M.Sc. cand.
- Mortesa Hussaini, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen vor Ort:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
Konsortium des Forschungsverbundes:
- John Deere GmbH & Co. KG (Konsortialleitung)
- Fraunhofer Heinrich-Hertz-Institut
- Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) Kaiserslautern
- Technische Universität Kaiserslautern
- Julius-Kühn-Institut
- OptoPrecision GmbH
- Robot Makers GmbH
- Planet Labs Germany GmbH
- NT Neue Technologien AG
- Deutsche Landwirtschafts-Gesellschaft DLG e.V.
- Förderverein Digital Farming (FDF)
- Landwirtschaftliche Lehr- und Versuchsanstalt Hofgut Neumühle
Fördermittelgeber:
- Bundesministerium für Wirtschaft und Energie (BMWi)
- Förderkennzeichen: 01MK21003J
Weitere Informationen:
Projektwebsite: https://nalamki.de/
EmiMod - Weiterentwicklung von Methoden zur Erfassung, Modellierung und Beurteilung des Emissionsgeschehens in Nutztierställen
Projektlaufzeit:
01.07.2023 bis 31.12.2026
Projektbeschreibung:
Ziel des Forschungsvorhabens ist die Weiterentwicklung von Methoden zur Bestimmung von Emissionsraten aus der Nutztierhaltung. Insbesondere sollen die Datengrundlagen für eine sachgerechte Beurteilung von Tierwohlställen mit freier Lüftung und Ausläufen im Hinblick auf das Emissionsgeschehen verbessert werden. Im Fokus steht die Vereinfachung der Untersuchungsmethodik und die Entwicklung geeigneter Beurteilungsverfahren, differenziert für verschiedene Untersuchungszwecke (Emissionsfaktoren, Emissionsminderungsleistung, Emissions-monitoring für die Praxis).
Die Überarbeitung und Anpassung der Messstrategien erfolgt in einem iterativen Prozess basierend auf den erhobenen Messdaten verknüpft mit Erkenntnissen aus mechanistischen Modellierungen, numerischen Strömungssimulationen und Künstliche Intelligenz (KI)-Anwendungen.
Die im Rahmen des Vorhabens entwickelten vereinfachten Messmethoden sollen Anwendung in der Praxis der Emissionsmessung finden. Die detaillierte Beschreibung der Messvorgehensweisen in Form eines Messmethodenhandbuchs sowie das angestrebte Verfahren zur Beurteilung des Emissionspotenzials von Tierwohlställen werden über eine Kommunikationsstrategie und eine Web-Anwendung an die (Fach-)Öffentlichkeit vermittelt. Ergänzend werden die Daten und Projektergebnisse im Fachrepositorium Lebenswissenschaften veröffentlicht und über diese Plattform für weitere Forschungszwecke zur Verfügung gestellt.
Das Fachgebiet Künstliche Intelligenz in der Agrartechnik übernimmt das Arbeitspaket für die Etablierung von KI-Anwendungen. Relevante Anwendungsfälle für die Etablierung von KI-Methoden sind dabei:
- KI-basierte Objektdetektion zur Erkennung und Lokalisation von Urinpfützen, mit anschließender Frequenz- und Geometrieabschätzung (Ausscheidungsverhalten)
- Bildbasierte Ableitung der Urinpfützentemperatur aus Wärmebildinformationen als Indikator für das „Alter“ der Urinpfützen
- Fortlaufende Funktionsbereichsüberwachung und Erhebung der Aufenthaltsbereiche der Tiere (Ruhe- und Aktivitätsverhalten)
- Klassifikation der Körperhaltung der Tiere mittels KI-basierter Posenerkennung vor oder beim Uriniervorgang
Die Bild- und Videoinformationen werden sowohl von Wärmebild-(IR)-kameras als auch von RGB-(Überwachungs)-Kameras aufgezeichnet, die im Schweinestall und im Rinderstall eingesetzt werden. Diese werden an eine geeignete IT-Systemarchitektur angebunden, die zunächst ein Edge-Computing Konzepts zur dezentralen Umsetzung der KI-Lösung verfolgt. Das Arbeitsprogramm innerhalb dieses Arbeitspakets orientiert sich an neuartigen Prinzipien zur systematischen Entwicklung von datenzentrischen KI bzw. Machine Learning (ML)-Lösungen, welche die Operationalisierung, d.h. den Transfer aus dem Labor in die Produktivumgebung, in den Mittelpunkt rücken. Diese Prinzipien sind unter dem Namen MLOps bekannt.
Projektkonsortium:
- Leibniz-Institut für Agrartechnik und Bioökonomie e.V. (ATB), Abteilung Technik in der Tierhaltung
- Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA), Gruppe Biologische Arbeitsstoffe
- Kuratorium für Technik und Bauwesen in der Landwirtschaft e. V. (KTBL)
- LWK Niedersachsen – LUFA Nord-West
- Bayerische Landesanstalt für Landwirtschaft (LfL), Institut für Landtechnik und Tierhaltung, Abteilung Emissionen und Immissionsschutz
- Sächsisches Landesamt für Umwelt, Landwirtschaft und Geologie (LfULG), Abteilung Landwirtschaft
- Johann Heinrich von Thünen Institut, Bundesforschungsinstitut für Ländliche Räume, Wald und Fischerei (TI)
- Rheinische Friedrich-Wilhelms-Universität Bonn, Institut für Landtechnik
- Christian-Albrechts-Universität zu Kiel, Institut für Landwirtschaftliche Verfahrenstechnik (ILV)
Beteiligte Wissenschaflter:innen vor Ort:
- Simon Mielke, M.Sc.
- Anita Kapun, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
- apl.-Prof. Dr. Eva Gallmann
Projektleitung vor Ort:
- apl.-Prof. Dr. Eva Gallmann
- Jun.-Prof. Dr. Anthony Stein (AP 9 - Etablierung von KI-Anwendungen)
Beteiligte Einrichtungen vor Ort:
- Fg. 440b Verfahrenstechnik der Tierhaltungssysteme
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
Fördermittelgeber:
- Bundesministerium für Ernährung und Landwirtschaft (BMEL)
- Bundesanstalt für Landwirtschaft und Ernährung (BLE)
